利用即时概率增强采样机制的机器学习方法对金属-有机框架中的扩散过程进行建模

《Journal of Chemical Theory and Computation》：Modeling Diffusion in Metal–Organic Frameworks Using On-the-fly Probability Enhanced Sampling-Based Machine Learning Potentials

机器学习势能（MLPs）通过主动学习课程结合OPES方法提升纳米多孔材料中罕见事件的采样效率，以SALEM-2 MOF中咪唑扩散为例，系统采样势能面发现未报道的环打开机制。

　　

机器学习模型（MLP）有助于弥合研究纳米多孔材料中各种物理化学现象所需的时间和长度尺度差距，实现从头算（ab initio）精度。这些模型通常基于传统分子动力学（MD）模拟得到的量子化学数据进行训练，而MD模拟主要采样接近平衡的构型。这往往限制了模型描述高能量、非平衡状态的能力，而高能量非平衡状态是研究罕见事件所必需的。为了解决这一能力局限，我们引入了一种新颖的主动学习方法，该方法采用了“即时概率增强采样”（OPES）技术。以SALEM-2金属有机框架（MOF）中的咪唑扩散为例，我们应用基于时间和距离的集体变量，对势能面进行系统采样，从而实现接近密度泛函理论（DFT）精度的纳秒级MD模拟。该方法不仅能够捕捉到通过六元环窗口的预期扩散路径，还揭示了通过四元环窗口的环 opening 机制（这一过程涉及Zn–N键的瞬态解离），而传统力场无法描述这一现象，且使用DFT进行模拟的计算成本也非常高昂。因此，本研究展示了增强采样方法如何克服在训练用于研究纳米多孔材料中罕见事件的MLP时所面临的数据稀缺问题。